MRI脑组织分割及其三维可视化

发布时间：2024-06-10 20:29

　　磁共振成像(Magnetic Resonance Imaging,MRI)技术适用于脑成像,精确的MRI脑组织分割对临床脑部疾病的研究与治疗具有重要的医学意义。高斯混合模型(Guassian Mixture Model,GMM)能有效描述MR图像中脑组织灰度分布的缓慢变化特性,是MRI脑组织分割中最常用的统计模型,但是GMM分割模型本身没有考虑空间信息,仅适用分割低噪声级别的清晰图像,实际应用中往往并非这种理想情况。通常在GMM分割模型中引入空间信息;或者摆脱GMM,直接对体素的空间关系建模来进行改进。隐Markov模型(Hidden Markov Model,HMM)考虑了邻域体素的空间相关性,可以同时对图像的统计特性和空间特性建模。但是目前基于HMM的分割算法大都使用全局固定参数,无法同时在抗噪声和细节保留上进行合理的选取。因此,本文的主要研究内容是针对GMM分割模型和HMM分割模型进行的改进,将空间信息引入到GMM分割模型;改进HMM分割模型的参数估计策略,具体研究内容如下:1、GMM分割模型中引入空间信息的方式主要有两种:组织概率图谱和空间邻域关系,本文首先重点分析了这两种方式...

【文章页数】：85 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 选题背景与研究意义
    1.2 研究现状
    1.3 主要研究内容与创新点
    1.4 论文结构安排
第二章 基于高斯混合模型的脑组织分割算法改进
    2.1 基于高斯混合模型的脑组织分割方法
        2.1.1 GMM分割模型
        2.1.2 预处理与分割算法评价标准
        2.1.3 GMM分割方法的优势与不足
    2.2 现有GMM分割算法分析
        2.2.1 模型中引入组织概率图谱
        2.2.2 模型中引入邻域空间关系
        2.2.3 优势与不足
    2.3 一种结合组织概率图谱和邻域空间关系的脑组织分割算法
        2.3.1 算法设计思想
        2.3.2 参数优化
        2.3.3 算法流程
    2.4 实验结果与分析
    2.5 本章小结
第三章 基于Markov随机场的脑组织分割算法改进
    3.1 Markov随机场理论
        3.1.1 邻域系统与势团
        3.1.2 Hammersley-Clifford定理
        3.1.3 常用能量函数
    3.2 基于隐Markov随机场的脑组织分割方法
    3.3 HMRF分割模型参数估计
    3.4 一种参数自适应调节的HMRF脑组织分割算法
        3.4.1 算法设计思想
        3.4.2 算法流程
    3.5 实验结果与分析
    3.6 本章小节
第四章 脑组织三维可视化
    4.1 三维可视化流程
    4.2 本文算法分割结果可视化分析
    4.3 脑组织和脑血管三维融合显示
    4.4 本章小结
第五章 全文总结与展望
    5.1 全文总结
    5.2 后续工作展望
致谢
参考文献
攻读硕士学位期间取得的成果



本文编号：3991862